論文の概要: JEPA-TTT: Persistent Test-Time Training of Latent World Models for Planning under Dynamics Shifts

• arxiv url: http://arxiv.org/abs/2610.00722v1
• Date: Wed, 30 Sep 2026 21:13:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.76924
• Title: JEPA-TTT: Persistent Test-Time Training of Latent World Models for Planning under Dynamics Shifts
• Title（参考訳）: JEPA-TTT: ダイナミクスシフト下での計画のための潜在世界モデルの持続的テストタイムトレーニング
• Abstract要約: JEPA-TTTは、テスト時間を通して、事前訓練されたアクション管理された統合埋め込み予測アーキテクチャの世界モデルの潜時ダイナミクス予測に適応します。 自動回帰潜在予測エラーを平均で83%削減し、凍結したJEPAワールドモデルよりも153%改善する。
• 参考スコア（独自算出の注目度）: 44.94635609557226
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: World models enable agents to plan by predicting future states of the environment, but their predictions can become unreliable when test-time dynamics differ from those seen during training. We present JEPA-TTT, which adapts the latent dynamics predictor of a pretrained action-conditioned Joint-Embedding Predictive Architecture world model throughout test time. Self-supervised updates accumulate across episodes, while the visual encoder and reward head remain fixed, preserving the pretrained representation and task objective. Planning requires neither a goal image nor online environment reward. JEPA-TTT uses dense replay, which forms prediction windows at every temporal offset, retains them in a growing buffer, and samples minibatches from that buffer for predictor updates. Across eight dynamics shifts in four continuous-control environments, JEPA-TTT improves planning on every shift. After 500 test-time episodes, it reduces autoregressive latent prediction error by 83% on average and improves planning performance by 153% over the frozen JEPA world model. These results show that persistent self-supervised test-time training can adapt a pretrained latent world model under changed dynamics.
• Abstract（参考訳）: 世界モデルでは、エージェントは将来の環境状態を予測することで計画できるが、テストタイムのダイナミクスがトレーニング中に見られるものと異なる場合、その予測は信頼性に欠ける可能性がある。 本稿では,事前訓練された動作条件付き統合埋め込み予測アーキテクチャの世界モデルの潜時ダイナミクス予測をテスト時間を通して適用するJEPA-TTTを提案する。 自己監督された更新はエピソード全体で蓄積されるが、視覚エンコーダと報酬ヘッドは固定され、事前訓練された表現とタスクの目的が維持される。 計画には目標イメージもオンライン環境報酬も必要ありません。 JEPA-TTTは、時間的オフセット毎に予測ウィンドウを形成し、成長するバッファに保持し、予測器更新のためにそのバッファからミニバッチをサンプリングする密なリプレイを使用する。 4つの連続制御環境での8つのダイナミックスシフトに対して、JEPA-TTTはシフト毎に計画を改善する。 500回のテストタイムのエピソードの後、自動回帰遅延予測エラーを平均83%削減し、凍結したJEPAワールドモデルよりも153%改善した。 これらの結果から, 持続的自己監督型テストタイムトレーニングは, 動的変化の下で事前学習された潜在世界モデルに適応できることが示された。

関連論文リスト

• JEPA-x: Cross-Predictive Physics Grounding for Forecastable Latent Dynamics [9.006010556484968]
  自己予測モデルでは、エンコーダと予測器は共同で最適化され、潜伏遷移に適応することができる。 我々は、特権的物理軌道の潜在ダイナミクスを基盤とするクロス予測型JEPA(JEPA-x)を紹介する。
  論文  参考訳（メタデータ） (2026-08-25T04:07:07Z)
• AdaJEPA: An Adaptive Latent World Model [42.0759614364807]
  モデル予測制御(MPC)の閉ループ内でテスト時間適応を行う適応潜在世界モデルであるAdaJEPAを提案する。 トレーニング後、AdaJEPAは最初のアクションチャンクを計画し、実行し、観察された次の状態遷移を自己教師付き適応信号として使用し、更新されたモデルで再計画する。 このクローズドループアップデートは、さらなる専門家によるデモンストレーションなしに、世界モデルを継続的に再検討する。
  論文  参考訳（メタデータ） (2026-06-30T17:53:48Z)
• Delta-Based Target Reformulation for Short-Term Electricity Load Forecasting Using LSTM and Transformer Models [0.0]
  本稿では,ディープラーニングを用いた短期電力負荷予測のためのデルタ型目標修正について検討する。 絶対負荷値を直接予測する代わりに、提案された定式化は、連続する時間ステップ間の負荷変化を予測するためにモデルを訓練する。 その結果,デルタ・ベース・リフォーメーションは時間差予測の予測精度を常に向上させることがわかった。
  論文  参考訳（メタデータ） (2026-06-16T09:01:44Z)
• LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
  本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
  論文  参考訳（メタデータ） (2026-05-11T09:54:02Z)
• Enhancing AI and Dynamical Subseasonal Forecasts with Probabilistic Bias Correction [14.123695538241376]
  意思決定者は天気予報に頼り、作物を植え、山火事を管理し、水とエネルギーを割り当て、極端な天候に備えている。 しかし、モデルスキルは、エラーと永続的なバイアスが混ざり合っているため、サブシーズンタイムスケールで急激に低下します。 確率的バイアス補正(PBC)は,過去の確率的予測を正すための学習によって,体系的誤りを大幅に低減する機械学習フレームワークである。
  論文  参考訳（メタデータ） (2026-04-17T16:58:06Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
  マルチエージェントインタラクションをキャプチャする実世界のモーションプランニングベンチマークであるnuPlanを提案する。 我々は、グラフ畳み込みニューラルネットワーク(GCNN)であるBehaviorNetを用いて、このようなユニークな振る舞いをモデル化することを学ぶ。 また、モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverについても紹介する。
  論文  参考訳（メタデータ） (2024-06-15T18:53:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。